本論文は、多変量時系列（MTS）のクラスタリングにおける重要な情報抽出に着目し、冗長性を軽減する新たな手法「Evolving-masked MTS Clustering（EMTC）」を提案します。従来のマスキング手法は、学習過程と切り離された前処理として行われ、クラスタリングに重要な時間を動的に調整することが難しいです。本研究では、重要度に基づいた変量ごとのマスキング（IVM）と、複数の内因的視点を利用した表現学習（MEV）を組み合わせたモデルアーキテクチャを採用しています。IVMはモデルに対してより discriminative な表現を学習するよう促し、MEVは多視点からの相補性を提供することで、マスキングの早期収束を防ぎます。実験では、15の実データベースを用いてEMTCが8つの最新技術に対して平均4.85%の改善を示す優位性を確認しました。